我正在使用Scikit-Learn的RandomForestClassifier来预测多个文档标签 . 每个文档都有50个功能,没有任何文档缺少任何功能,每个文档至少有一个与之关联的标签 .
clf = RandomForestClassifier(n_estimators=20).fit(X_train,y_train)
preds = clf.predict(X_test)
但是,我注意到,在预测之后,有些样本没有分配标签,即使样本没有丢失标签数据 .
>>> y_test[0,:]
array([1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
>>> preds[0,:]
array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
0., 0., 0., 0., 0., 0., 0., 0.])
predict_proba的结果与预测结果一致 .
>>> probas = clf.predict_proba(X_test)
>>> for label in probas:
>>> print (label[0][0], label[0][1])
(0.80000000000000004, 0.20000000000000001)
(0.94999999999999996, 0.050000000000000003)
(0.94999999999999996, 0.050000000000000003)
(1.0, 0.0)
(1.0, 0.0)
(1.0, 0.0)
(0.94999999999999996, 0.050000000000000003)
(0.90000000000000002, 0.10000000000000001)
(1.0, 0.0)
(1.0, 0.0)
(0.94999999999999996, 0.050000000000000003)
(1.0, 0.0)
(0.94999999999999996, 0.050000000000000003)
(0.84999999999999998, 0.14999999999999999)
(0.90000000000000002, 0.10000000000000001)
(0.90000000000000002, 0.10000000000000001)
(1.0, 0.0)
(0.59999999999999998, 0.40000000000000002)
(0.94999999999999996, 0.050000000000000003)
(0.94999999999999996, 0.050000000000000003)
(1.0, 0.0)
上面的每个输出显示,对于每个标签,已经为不出现的标签分配了更高的边际概率 . 我对决策树的理解是,在预测时必须为每个样本分配至少一个标签,这让我有点困惑 .
多标签决策树/随机森林的预期行为是否能够为样本分配标签?
UPDATE 1
每个文档的特征是根据主题模型属于主题的概率 .
>>>X_train.shape
(99892L, 50L)
>>>X_train[3,:]
array([ 5.21079651e-01, 1.41085893e-06, 2.55158446e-03,
5.88421331e-04, 4.17571505e-06, 9.78104112e-03,
1.14105667e-03, 7.93964896e-04, 7.85177346e-03,
1.92635026e-03, 5.21080173e-07, 4.04680406e-04,
2.68261102e-04, 4.60332012e-04, 2.01803955e-03,
6.73533276e-03, 1.38491129e-03, 1.05682475e-02,
1.79368409e-02, 3.86488757e-03, 4.46729289e-04,
8.82488825e-05, 2.09428702e-03, 4.12810745e-02,
1.81651561e-03, 6.43641626e-03, 1.39687081e-03,
1.71262909e-03, 2.95181902e-04, 2.73045908e-03,
4.77474778e-02, 7.56948497e-03, 4.22549636e-03,
3.78891036e-03, 4.64685435e-03, 6.18710017e-03,
2.40424583e-02, 7.78131179e-03, 8.14288762e-03,
1.05162547e-02, 1.83166124e-02, 3.92332202e-03,
9.83870257e-03, 1.16684231e-02, 2.02723299e-02,
3.38977762e-03, 2.69966332e-02, 3.43221675e-02,
2.78571022e-02, 7.11067964e-02])
标签数据使用MultiLabelBinarizer格式化,如下所示:
>>>y_train.shape
(99892L, 21L)
>>>y_train[3,:]
array([0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
UPDATE 2
上面提出的predict_proba的输出表明,没有类的分配可能是在标签上投票的树的人工产物(有20棵树,所有概率大约是0.05的倍数) . 但是,使用单个决策树,我仍然发现有些样本没有分配标签 . 输出类似于上面的predict_proba,因为对于每个样本,给定标签的概率是否与样本分配 . 这似乎表明,在某些时候,决策树正在将问题转化为二元分类,尽管the documentation说树利用了标签相关性 .
1 回答
如果列车和测试数据被不同地缩放,或者以其他方式从不同的分布中抽取(例如,如果树学会分裂在列车中发生但在测试中不发生的值),则会发生这种情况 .
您可以检查树木,以便更好地了解正在发生的事情 . 为此,请查看clf.estimators_中的DecisionTreeClassifier实例并可视化其.tree_属性(例如,使用sklearn.tree.export_graphviz())